एंटरप्राइज़ AI अब भविष्य की महत्वाकांक्षा नहीं है। यह पूर्ण परिचालन उड़ान में है। मॉडल क्षमताएं अधिकांश संगठनों के अवशोषित करने की तुलना में तेजी से आगे बढ़ रही हैं, जबकि प्रदर्शन की लागत लगातार गिर रही है। वैश्विक स्तर पर, AI निवेश 2026 में 2.5 ट्रिलियन डॉलर तक पहुंचने वाला है, जो पिछले वर्ष से 44% अधिक है। कई उद्यमों के लिए, इस निवेश ने विखंडन उत्पन्न किया है। बुद्धिमत्ता साइलो में जमा हो सकती है, जिससे बिक्री एजेंट खुले सहायता टिकटों से अनजान होते हैं, उदाहरण के लिए, या मार्केटिंग सिस्टम बिना इस बात की जानकारी के सामग्री को वैयक्तिकृत कर रहे हैं कि वित्त पहले से ही एक ग्राहक के बारे में क्या जानता है। प्रत्येक कार्य अलगाव में अच्छा प्रदर्शन कर सकता है, लेकिन समग्र रूप से उद्यम बहुत कम सीखता है और उसके पास कार्य करने के लिए कम जानकारी होती है।
AI को एक उपकरण के रूप में AI से एक संचालन मॉडल के रूप में स्थानांतरित करना—जिसे हम इस रिपोर्ट में "एजेंटिक शिफ्ट" कहते हैं—बेहतर मॉडल या तेज़ बुनियादी ढांचे से अधिक मौलिक कुछ मांगता है। इसके लिए लोगों, प्रक्रियाओं और डेटा को वास्तविक समय में जोड़ने की आवश्यकता होती है, साथ ही उस बुद्धिमत्ता पर विश्वसनीय रूप से कार्य करने के लिए शासन और नियंत्रण की भी आवश्यकता होती है। इसका अर्थ है एक साथ आर्किटेक्चर और संचालन मॉडल दोनों पर पुनर्विचार करना। पहला, मात्रा के बजाय पहुंच के लिए डेटा बुनियादी ढांचे का पुनर्निर्माण करना। दूसरा, निश्चित तकनीकी स्टैक को रचनात्मक आर्किटेक्चर से बदलना जो मॉडल और टूल के बदलने पर विकसित हो सकते हैं। और, अंत में, AI संप्रभुता के प्रश्नों को हल करना, जिसमें यह शामिल है कि बुद्धिमत्ता कहाँ चलती है, इसे कौन नियंत्रित करता है, और यह संगठनात्मक और क्षेत्राधिकार संबंधी सीमाओं के पार कैसे संचालित होता है।
प्रमुख निष्कर्षों में निम्नलिखित शामिल हैं: एंटरप्राइज़ AI की स्केलिंग समस्या संरचनात्मक है। प्रक्रिया-प्रथम कंपनियां आगे बढ़ रही हैं। वैश्विक AI खर्च तेजी से बढ़ रहा है और मॉडल क्षमताएं अधिकांश संगठनों के एकीकृत करने की तुलना में तेजी से आगे बढ़ रही हैं। फिर भी अधिकांश उद्यम अभी भी AI के माध्यम से राजस्व नहीं बढ़ा रहे हैं या मौलिक रूप से पुनर्विचार नहीं कर रहे हैं कि वे कैसे संचालित होते हैं। सतत रिटर्न उत्पन्न करने वाली कंपनियां एक सामान्य अनुशासन साझा करती हैं। वे प्रक्रिया पुनर्डिज़ाइन को उस कार्य के रूप में मानते हैं जो मॉडल चयन से पहले होता है, तैनाती के बाद भूमिकाओं और कार्यप्रवाहों को फिर से तैयार करने के बजाय प्रौद्योगिकी कैसे विकसित होगी, इसके लिए निर्माण करते हैं।
डेटा तत्परता, डेटा प्रचुरता नहीं, वह है जो AI को संयोजनीय बनाती है। अधिकांश उद्यम बहुत देर से पता लगाते हैं कि डेटा होना और AI-तैयार डेटा होना बहुत अलग चीजें हैं। एक संप्रभु, रचनात्मक नींव—जो डेटा को वहाँ क्वेरी और तैयार करती है जहाँ वह रहता है, बिना प्रवासन या केंद्रीकरण के—कच्चे डेटा एस्टेट को बुद्धिमत्ता में परिवर्तित कर सकती है जिस पर AI एजेंट कार्य कर सकते हैं। जैसे-जैसे डेटा निवास कानून, मल्टीक्लाउड वातावरण और संरचनात्मक जटिलता केंद्रीकरण को तेजी से अव्यावहारिक बनाते हैं, मॉडल कहाँ चलते हैं और डेटा कहाँ रहता है, इस पर संप्रभु नियंत्रण वह है जो उस अनुकूलन क्षमता को बरकरार रखता है।
स्रोत: MIT Technology Review AI · HeadlinesBriefing द्वारा सारांशित